周明升1,2，韩冬梅1
　　（1. 上海财经大学 信息管理与工程学院，上海 200433；2.上海外高桥保税区联合发展有限公司，上海 200131）

       摘要：协同过滤推荐算法是推荐系统研究的热点，近年来，在亚马逊、淘宝等商业系统中获得应用。在实际应用过程中，协同过滤推荐面临数据稀疏和准确性低的问题。作为推荐基础的用户产品（项目）矩阵通常非常稀疏（存在大量缺失数据），从而导致推荐结果不准确。文章试图在缺失数据情况下提高协同过滤推荐的准确性，聚焦以下两个方面：（1）用户相似度、产品（项目）相似度计算；（2）缺失数据预测。首先，用增强的皮尔森相关系数算法，通过增加参数，对相似度进行修正，提高用户、产品（项目）相似度计算的准确率。接着，提出一种同时考虑了用户和产品（项目）特征的缺失数据预测算法。算法中，对用户和产品（项目）分别设置相似度阈值，只有当用户或产品（项目）相似度达到阈值时，才进行缺失数据预测。预测过程中，同时使用用户和产品（项目）相似度信息，以提高准确度。在模型基础上，用淘宝移动客户端的数据集进行了验证，实验结果表明所提算法比其他推荐算法要优异，对数据稀疏性的鲁棒性要高。
　　关键词：协同过滤；推荐系统；缺失数据预测；数据稀疏性　

0引言
　　协同过滤推荐算法（Collaborative Filtering Recommendation Algorithm），通过收集相似用户或产品（项目）的评分信息来预测用户兴趣，从而进行产品（项目）的推荐。对用户或产品（项目）的相似性进行计算，通过用户产品（项目）矩阵来预测用户偏好。根据角度不同，协同过滤推荐分为基于用户的方法和基于产品（项目）的方法。算法中，计算用户或产品（项目）之间的相似度是关键步骤，常见的相似度计算方法有：皮尔森相关系数算法（Pearson Correlation Coefficient Algorithm，PCC)［1］和空间向量相似度算法（Vector Space Similarity Algorithm，VSS）［2］。
　　实际应用中，因为用户产品（项目）矩阵的稀疏性（存在大量缺失数据），造成推荐结果不准确，许多研究试图解决矩阵的数据稀疏性问题。Wang Jun等人构建了一种概率框架，通过已有数据来预测用户-产品（项目）矩阵中的值［3］。XUE G R等人提出了一种同时基于内容和建模的协同过滤框架，通过平滑算法，预测用户产品（项目）矩阵中的缺失数据［4］。MA H等人提出综合考虑用户信息和产品（项目）信息来预测缺失数据的方法［5］，对协同过滤算法进行了改进。这些方法可以取得比传统协同过滤算法更好的结果，但基于概率或聚类的平滑算法没有区分同一组内用户的差别。同时，预测用户-产品（项目）矩阵中的所有缺失数据也可能为当前用户的推荐带来负面影响。
　　为解决上述问题，本文采用增强的皮尔森相关系数来衡量用户间与产品（项目）间的相似性（并进行修正），综合考虑用户信息和产品（项目）信息，提出一种改进的缺失数据预测算法：当且仅当预测缺失数据会为当前用户的推荐带来积极影响时（相似度达到阀值）才进行缺失数据预测，否则不进行预测。在完成缺失数据预测后，进行协同过滤推荐。实验显示，本文所提方法比传统方法效果要好。
1相似度计算及修正
　　1.1相似度计算
　　RESNICK P等人已经证明，基于皮尔森相关系数（PCC）的协同过滤，其效果通常比基于空间向量相似度算法（VSS）等方法要好，因为它考虑了不同用户打分标准不同的因素［1］。在基于用户的协同过滤算法［6］中，皮尔森相关系数（PCC）被用于定义有相同产品（项目）评分的不同用户a和u之间的相似度，如下：
　　

　　其中，Sim(a,u)定义了用户a与用户u之间的相似度，产品（项目）i是用户a和用户u都评过分的产品（项目）。ra,i是用户a对产品（项目）i的评分，ra是用户a的平均评分。基于产品（项目）的方法［7］可以类似得出（本文不再赘述）。
　　1.2相似度修正
　　MCLAUGHLIN M R等人研究发现，皮尔森相关系数（PCC）有时会高估用户之间的相似性，特别是当用户正好对一些产品（项目）打分相似，而整体相似度不同时［8］。为解决这一问题，本文引入相关性权重指标，对相似度计算进行修正，如下：
　　

　　式(2)在一定程度上解决了数据稀疏性问题（仅有少量产品（项目）被用户评分），但当|Ia∩Iu|远比γ大时，相似度Sim′(a,u)将大于1，为此，笔者进行了变换，改进如下：
　　

　　其中，|Ia∩Iu|是用户a和用户u都评价过的产品（项目）集个数。
2缺失数据预测
　　基于用户的协同过滤算法通过相似用户的评分来预测缺失数据，根据不同情况，本文的预测方法如下：
　　模型1：当S(u)≠，且S(i)≠时，即用户相似度和产品（项目）相似度均达到阈值（分别为η和θ）时，缺失数据预测为：
　　

　　其中λ的取值范围为［0,1］。
　　模型2：当S(u)=，但S(i)≠时，即产品（项目）存在相似产品（项目），但用户与其他用户的相似度小于阈值η时，缺失数据预测为：
　　

　　模型3：当S(u)≠，但S(i)=时，即用户存在相似用户，但产品（项目）与其他产品（项目）的相似度小于阈值θ时，缺失数据预测为：
　　

　　模型4：当S(u)=，且S(i)=时，即用户与其他用户的相似度小于阈值，且产品（项目）与其他产品（项目）之间的相似度小于阈值时，缺失数据预测为：
　　

3实验分析
　　3.1数据集
　　用淘宝移动客户端的数据进行试验分析，该数据集来自阿里巴巴天池大数据研究平台，为公开数据。数据集中有超过104万条记录，来自723个用户对53 383个产品（项目）的评分。用户产品（项目）矩阵的稀疏度为：1 048 575/（723×53 383）=2.72%。本文随机获取500个用户数据，并将其分为两部分：取300个作为训练集，剩余的200个作为测试集（实际用户集）。对不同用户集，推荐产品（项目）数分别取10个、20个和30个。
　　3.2比较方法
　　用绝对平均误差（Mean Absolute Error，MAE）作为衡量指标。MAE被定义为：
　

　　其中，ru,i为用户u对产品（项目）i的评分， r^u,i表示用本文方法预测的用户u对产品（项目）i的评分，N为测试分数的个数，MAE值越小算法越好。
　　3.3实验结果
　　通过实验，本文改进的缺失数据协同过滤算法（IMDP）与其他推荐算法进行比较，包括：基于用户的皮尔森相关系数算法（UPCC）和基于产品（项目）的皮尔森相关系数算法（IPCC）、基于平滑和聚类的皮尔森相关系数算法（SCBPCC）［4］、相似融合算法（SF）［3］、特征模型算法（AM）［9］。
　　实验中，设定：用户相似性与产品相似性的权重系数λ=0.6，不同用户间同时评论的产品（项目）数参数γ=30，不同产品（项目）被同时评论的用户数参数δ=30，用户相似度阈值η=0.5，产品（项目）相似度阈值θ=0.5。
　　实验表明（如表1所示），本文算法综合考虑了用户相似度、产品（项目）相似度，对相似度进行了修正，设置了预测阈值，更加合理，在不同训练集、不用产品（项目）数情况下，推荐效果比其他方法要优异。本文算法在不同样本量、产品（项目）数下，MAE值均比较低，保持了较高的稳定性。

4结论
　　本文提供了一种改进的缺失数据协同过滤方法。通过判断用户、产品（项目）是否有相似用户、产品（项目），决定是否预测缺失数据。如果需要预测，则同时考虑用户信息和产品（项目）信息，以提高预测准确度。用淘宝移动客户端数据进行了对比验证，实验结果显示，本文方法比其他推荐方法更加优异。
　　通过整合用户和产品（项目）信息，采用基于用户和产品（项目）的方法，得到了更好的预测结果。接下来，将从以下几个方面做进一步研究：（1）用户相似性和产品相似性的权重系数变化对预测结果的影响；（2）用户数、产品（项目）数参数变化对预测结果的影响；（3）用户相似度、产品（项目）相似度阈值的变化对预测结果的影响；（4）用户信息、产品（项目）信息之间关系的研究等。

       参考文献
　　［1］ RESNICK P, IACOVOU N, SUCHAK M, et al. Grouplens: an open architecture for collaborative filtering of netnews［C］. Proceedings of ACM Conference on Computer Supported Cooperative Work, 1994:175 186.
　　［2］ BREESE J S, HECKERMAN D, KADIE C. Empirical analysis of predictive algorithms for collaborative filtering［C］. In Proceedings of the 14th Conference on Uncertainty in Articifical Intelligence, 1998:43 52.
　　［3］ Wang Jun, DEVRIES A P, REINDERS M J T. Unifying userbased and itembased collaborative filtering approaches by similarity fusion［A］. Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval［C］.USA：Seatole, 2006:501 508.
　　［4］ XUE G R, LIN C, YANG Q, et al. Scalable collaborative filtering using clusterbased smoothing［C］. Proceedings 28th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2005:114 121.
　　［5］ Ma Hao, KING I, LYU M R. Effective missing data prediction for collaborate filtering［C］. SIGIR 2007: Proceedings of the Intermational ACM SIGIR Conference on Research and Development in Information Retrieval, Amsterdam the Netherlands, 2007:3946.
　　［6］ 黄创光，印鉴，汪静，等.不确定近邻的协同过滤推荐算法［J］.计算机学报，2010，33（8）：13691376.
　　［7］ 邓爱林, 朱扬勇, 施伯乐.基于项目评分预测的协同过滤推荐算法［J］.软件学报，2003，14（9）：1621 1628.
　　［8］ MCLAUGHLIN M R， HERLOCKER J L. A collaborative filtering algorithm and evaluation metric that accurately model the user experience［C］. International ACM SIGIR Conference on Reseach and Development in Information Retrieral. ACM, 2004:329 336.
　　［9］ HOFMANN T, HOFMANN T. Latent semantic models for collaborative filtering［J］. ACM Transactions on Information Systems, 2004, 22(1):89 115.